Welcome to the user guide for your app!
GranulatShiny est une application Shiny qui automatise le
traitement statistique des données collectées dans le cadre des enquêtes
dédiées aux ressources halieutiques et à l’ichtyofaune sur les
concessions d’extraction de granulats marins. L’application produit des
figures et des tableaux standardisés basés sur le “Protocole
halieutique”, et fournit une interface graphique interactive pour
l’analyse sans aucune compétence en codage. GranulatShiny est composé de
3 approches statistiques (explicative, descriptive et inférentielle) qui
peuvent être utilisées principalement pour quantifier l’influence des
concessions d’extraction de granulats marins sur les communautés de
poissons.
Avant de commencer, notez que vous rencontrerez différents
boutons dans l’application.
Les boutons avec une icône bateau vous
permettent de passer d’un onglet à un autre.
Ceux portant un petit dragon désignent une étape obligatoire.
Les boutons avec une flèche permettent de télécharger des résultats de l’application. Les formats sont (csv, png, txt, rds).
Pour passer à la suite appuyer sur le bouton start de la page d’accueil.
La première étape de l’application est l’importation des données.
Si vous avez vos données, vous devez sélectionner les 2 premiers
fichiers : TuttiCatch et TuttiOperation. Seul le format csv est pris en
charge. Le tableau Capture concerne les données de capture provenant de
l’échantillonnage des pêcheries et le tableau Opération correspond à
toutes les informations dérivées des stations d’échantillonnage (type
d’engin, durée des traits de chalut, coordonnées gps, etc.).
Attention, si vous n’appliquez pas le bon fichier, un message
d’avertissement apparaîtra sur l’interface.
Si vous voyez ce
message, je vous recommande d’ouvrir l’avis pour comparer le fichier
attendu avec votre fichier.Après avoir appliqué le fichier
TuttiOperation, une carte apparaîtra et vous aurez la possibilité
d’interagir avec les cases Stations d’impact et Stations de
référence.
Vous pouvez importer les fichiers de forme de la zone d’étude. Dans
la case stations d’impact, vous pouvez vérifier et modifier la période
d’étude. Vous devez également écrire dans l’espace correspondant les
stations qui sont impactées par le site d’extraction. La couleur des
différents prélèvements devient rouge pour la station impactée (un type
de rouge par prélèvement) (figure ci-dessous). Dans la case stations de
référence, vous pouvez indiquer s’il y a des stations à retirer de
l’analyse.
Si vous avez déjà sauvegardé le paramétrage dans un
fichier, vous pouvez le télécharger et toutes les cases sont remplies
automatiquement.
Enfin, lorsque vous êtes prêt, vous pouvez appuyer
sur le bouton pour passer à la partie suivante. Si vous n’appuyez pas
sur le bouton, rien ne se passera et vous ne serez pas en mesure de
poursuivre l’analyse. Si vous avez plus d’un site à analyser, vous
pouvez revenir dans cet onglet et changer les fichiers puis appuyer à
nouveau sur le bouton.
Si vous n’avez pas de données vous pouvez l’indiquer et l’application chargera directement les données d’une concession factice. Les étapes décrites avant se feront automatiquement. Mais en faisant ce choix, vous acceptez de faire l’analyse sur une concession fictive dans le Golfe de Gascogne. Cette concession est en exploitation de 2000 à 2030 avec un suivi tous les 5 ans. Il y a 10 stations dans la concession et 10 stations hors de la concession. Pour éviter toutes confusions, les espèces présentes dans ce jeu de données sont fictives également. Donc en aucun cas vous ne pouvez utiliser ce jeu de données pour la réalisation d’un rapport officiel.
Dans l’onglet des tableaux, il y a un tableau de données à droite et une partie interactive à gauche. Le tableau affiché est calculé à partir des données renseignées dans la partie d’avant. Les fonctions de mises en formes du tableau vont calculer l’abundance, la biomasse et différents indicateurs de diversité pour chaque station et chaque campagne. La variable indicatrice de l’état de chaque station (sans traitement ou traitement) renseigne si la sation est dans la concession et donc impacté par les travaux ou si la station est en dehors de l’action de la concession.
Vous pouvez changer l’affichage du tableau de données à l’aide de la flèche située sous le message “quel tableau afficher”. Il est possible de télécharger l’affichage du tableau de données et le paramétrage utilisé dans l’onglet des données de charge. Il faut ensuite choisir une variable expliquée sur laquelle effectuer la partie statistique descriptive. Néanmoins vous pouvez décidez de réaliser la partie statistique exploratoire ou de passer directement à la partie statistique descriptive.
Dans cette partie on s’intéresse aux indicateurs de biodiversité et d’abondance de la communauté en comparant la zone totale avec celle de la concession et celle en dehors de la concession.Les indicateurs présentés sont ceux référencés dans le protocole halieutique de 2011 article 4.1. Ce tableau représente l’abondance, la biomasse, la richesse, l’indicateur de Shannon et l’indicateur de Simpson en moyenne à l’intérieur de la concession, à l’extérieur de la concession et dans la totalité pour chaque campagne.
Cette figure représente les valeurs du tableau ci-dessus avec l’erreur standard associé à chaque valeur (Protocole halieutique 4.1) .
Dans cette partie on s’intéresse à la structure en espèce de la communauté. Les figures présentées font références au protocole halieutique article 4.1. Le tableau ci-dessous représente la structure de la communauté de poisson en pourcentage présente par campagne.
Cette figure représente l’abondance de chaque espèce par campagne par ordre d’importance et la courbe d’abondance cumulées en fonction du nombre d’espèce par ordre d’importance (Protocole halieutique 4.1).
Attention la courbe d’abondance cumulée apporte un intérêt lorsqu’il y a de nombreuses espèces différentes. Ces résultats sont issus d’un jeu de données d’une concession fictive avec seulement 3 espèces. En pratique, vous ne devriez pas avoir ce genre de résultats avec vos données.
Dans cette partie on s’intéresse à un indicateur en particulier
(abondance d’une espèce, biomasse totale, indicateur de diversité, …) et
on le compare aux variables explicatives de notre jeu de données. On
recherche des effets ou des corrélations possibles en amont des
statistiques inférentielles. La partie verte est composée d’un tableau
qui résume la variable expliquée et d’un simple histogramme pour voir la
distribution de la variable.
La partie du diagramme d’interaction permet de voir l’interaction
entre la zone d’impact/non-impact et les autres covariables telles que
la saison, l’année, la station et l’enquête. Le diagramme d’interaction
correspond à la moyenne de la variable étudiée en fonction des valeurs
d’un premier facteur, avec une courbe pour chaque valeur d’un deuxième
facteur. Dans l’exemple, la valeur de l’abondance est donnée en moyenne
par saison en faisant la distinction entre les stations avec impact et
sans impact.
La partie boxplot offre une autre représentation pour interpréter le lien entre la variable expliquée et les variables explicatives comme l’impact, l’année, l’enquête, la station et la saison. Il est possible dans l’appli de passer au log pour avoir une meilleure visualisation des boxplot car les valeurs extrêmes peuvent écraser le graphique.
Après l’exploration des données, il est possible de passer à l’onglet suivant en appuyant sur le bouton “Choisir la probabilité de distribution” ou en cliquant sur“diagnostique d’analyse”.
Cet onglet permet de choisir et de visualiser la distribution de
probabilité qui correspond le mieux à la variable expliquée. En gris,
c’est l’histogramme de fréquence de la variable, en bleu c’est la
fonction de densité et en vert c’est la distribution de probabilité. Les
paramètres de chaque distribution de probabilité sont approximés à
l’aide de la moyenne et de l’écart type de la variable. Vous pouvez
changer le type de distribution de probabilité et si elle ne correspond
pas du tout, un message d’avertissement apparaît.
Lorsque vous êtes satisfait de la distribution des probabilités, vérifiez la phrase au-dessus du bouton “Passer à la modélisation”. Il y a deux possibilités. Dans le cas où vous avez moins de 30 observations, la phrase dit : “Vous n’avez pas assez de valeurs pour passer à la partie modélisation”. Dans ce cas, vous devez changer la variable de travail car il n’y a pas assez de valeur pour créer un modèle pertinent. A l’inverse, vous aurez : “Après avoir choisi une distribution de probabilité, vous pouvez passer à la construction du modèle”. Lorsque vous avez terminé, appuyez sur le bouton “passer à la modélisation”.
Dans cette partie, vous créerez le modèle pour l’analyse.
Il
existe 3 types de modèles : GLMM, GLM, Permanova. Les modèles linéaires
généralisés (GLM) permettent d’étendre les idées de la modélisation
linéaire à une classe plus large de types de réponses, telles que les
données de comptage ou les réponses binaires.
Les modèles linéaires
généralisés constituent une approche commune pour un large éventail de
problèmes de modélisation des réponses. Les réponses normales, de
Poisson et binomiales sont les plus couramment utilisées, mais d’autres
distributions peuvent également être utilisées.
Les modèles
linéaires mixtes généralisés (GLMM) sont une extension des GLM. Un GLMM
est dit “mixte” parce qu’il comprend au moins un effet “fixe”, les
variables explicatives et au moins un effet “aléatoire”. Les effets
aléatoires ne sont pas des termes évalués, ils servent uniquement à
indiquer au modèle que les données ne sont pas indépendantes et
reflètent une corrélation entre les unités statistiques. D’un point de
vue statistique, cela permet d’estimer précisément la déviance
résiduelle et donc d’éviter de biaiser l’erreur standard des paramètres.
Au final, cela se traduit par des p-values plus fiables.
PERmutational Multivariate ANalysis Of VAriance (PERMANOVA) est un test
statistique non paramétrique à plusieurs variables. Il est utilisé pour
comparer des groupes d’objets et tester l’hypothèse nulle selon laquelle
les centroïdes et la dispersion des groupes, tels que définis par
l’espace de mesure, sont équivalents pour tous les groupes. Le rejet de
l’hypothèse nulle signifie que le centroïde et/ou la dispersion des
objets sont différents entre les groupes. Le test est donc basé sur le
calcul préalable de la distance entre deux objets inclus dans votre
expérience.
Selon le type de modèle que vous choisissez, vous aurez une première
formulation différente du modèle :
GLMM → Biom ~ traitement * saison
+ (1|campagne) + (1|station)
GLM → Biom ~ traitement * saison
PERMANOVA → Biom ~ traitement * saison
Et pour GLMM et GLM, vous devrez choisir une distribution de
probabilité. Par défaut, il propose la dernière distribution de
probabilité que vous avez vérifiée dans la partie précédente. Attention
la méthode utilisée pour la modélisation est une méthode itérative, il
se peut donc que la distrubution qui semblait la plus adéquate dans la
partie précédente n’est pas forcément celle qui permettra de mieux faire
converger le modèle. Néanmoins la partie d’avant est là pour
sélectionner un nombre de distribution possible pour ne pas avoir à tous
tester ici.
Message sur le BACI !!!
Vous pouvez également conserver ou non l’interaction entre les
covariables traitement et saison. Attention si l’interaction n’apporte
rien au modèle celle-ci est retirée automatiquement. Vous pouvez
également ajouter d’autres covariables dans votre modèle. Elles seront
ajoutées sans interaction avec les autres. Lorsque vous êtes prêt, vous
pouvez cliquer sur “démarrer la modélisation”.
La première sortie
est un écran de la console r. Vous pouvez choisir d’afficher le tableau
d’analyse de la déviance ou le résumé du résultat de la modélisation.
Vous pouvez choisir d’afficher les résultats du modèle avant
optimisation via le choix initial ou alors le modèle optimisé via le
choix final en bas à gauche.
L’autre sortie est un graphique utilisant le package DHARMa pour
résumer le résidu du modèle. Le premier graphique représente le résidu
attendu par les observations. Si les points ne suivent pas la ligne
rouge, il y a un problème avec le choix du modèle. Il existe également 3
tests : Kolmogorov-Smirnov, Dispersion et Valeur aberrante. Pour chaque
test, il y a un calcul de la déviation. S’il est significatif, il
apparaît en rouge et le test n’est pas concluant.
Sur l’autre
graphique, regardez l’uniformité et l’homogénéité des groupes. Le
premier test, s’il est en rouge, vous alerte sur le fait que certaines
distributions de résidus au sein des groupes ne sont pas uniformes,
c’est-à-dire que si vous représentez vos résidus pour un groupe
spécifique (celui qui est surligné en rouge), ils ne semblent pas
uniformes. Donc ils s’écartent de manière significative des hypothèses
de votre modèle. S’il n’est pas en rouge, le test est validé. Le
deuxième test correspond à un test de Levene.
Visualize the effects of your models.
Understand and analyze the statistical power of your models.